Аналогично может быть некоторая неопределенность относительно случившегося события, и мы ею воспользуемся, чтобы дать более точные объяснения. Мы не знаем наверняка, что Чарли принимал парацетамол, однако видели рядом со стаканом воды открытую упаковку лекарства и воспользовались этой косвенной информацией для оценки вероятности того, что он действительно выпил препарат. Не станем вдаваться в детали, однако это суть метода – напрямую учесть неопределенность как первичной информации, так и знаний о токен-случаях[329].

INUS-подход Маки исходит из следующего допущения: нам известно достаточно о механизме действия тех или иных вещей, чтобы определить детерминистские причинные комплексы: в присутствии некоего набора факторов всегда случается следствие. Но, как мы уже видели, многие взаимоотношения носят вероятностный характер (по причине либо фактического индетерминизма, либо неполного знания о мироздании). Причина, имеющая очень низкий шанс генерирования следствия, все же способна оставаться причиной и в токен-случае. Но вероятности, или силы каузальных зависимостей, которые мы рассчитываем, дают некоторую информацию о ее возможности. Нужно использовать эти весовые коэффициенты, чтобы понять, насколько они основательны с точки зрения различных объяснений[330].

Посмотрим, как это работает.

Скажем, требуется выяснить, почему Ирен не спала прошлой ночью. У нас есть мера причинной значимости (см. главу 6), и мы обнаруживаем, что 100 мл кофе эспрессо при бессоннице имеет коэффициент значимости 0,9, если некто пытается заснуть в пределах следующих 4 часов.

Если известно, что Ирен пробовала уснуть через 3 часа после того, как выпила именно столько эспрессо, значимость этого события для ее случая бессонницы будет 0,9. Если бы вместо сна она решила посмотреть телевизор, но через 6 часов после выпитого кофе не могла уснуть, значимость фактора напитка могла быть ниже 0,9, так как был нарушен предел обычного временного диапазона. На рис. 8.1 показана эта последовательность событий и известное временное окно причинной зависимости (серым цветом). Интервал в 6 часов больше известного окна, показанного серым прямоугольником, поэтому кажется невозможным, что бессонницу Ирен вызвал кофе, который она выпила ранее этого времени.

Рис. 8.1. Здесь эспрессо вызывает бессонницу в пределах 4 часов

Конечно, мы и не подумаем, что бессонница будет одинаково возможна в пределах всего временного окошка от 0 до 4 часов и через 4 часа ее вероятность будет стремиться к нулю. Скорее рассудим, что изображение на рис. 8.2 более правдоподобно: здесь шанс после четвертого часа снижается медленно. Оценивая значимость причины в различных временных точках до наступления следствия (или объясняя следствия в различные временные точки после конкретного случая причины), нужно комбинировать эту вероятность с коэффициентом значимости. То есть более сильная причина, немного выступающая за пределы известного временного интервала, более значима, чем слабая, когда временные паттерны типа и токена совпадают. Если в комнате Ирен слишком жарко, когда она пытается заснуть, это может повысить шанс нарушения сна, однако мы по-прежнему будем утверждать, что главный виновник бессонницы – кофе за 4,5 часа до того.

Рис. 8.2. Вероятность бессонницы с течением времени. На оси Х показаны часы после выпитого эспрессо

Основная идея такого подхода – оценка значимости на уровне типа с помощью информации на уровне токена. Мы можем обнаружить, что в специфических случаях значимость того или иного фактора ниже его значимости на уровне типа из-за различий временных паттернов или неопределенности событий. Исходя из известного механизма действия (например, медикамента) или предыдущей информации (вычисления вероятности следствия), мы можем создать функцию, которая покажет, как сопоставить наблюдение с шансом по-прежнему активной причины.

Рис. 8.3 дает представление о некоторых функциях. На рис. 8.3 (а) показаны только два значения вероятности: 0 и 1. Это означает, что временное окно – единственный период, когда причина может вызвать следствие, и временные точки вне его не значимы. С другой стороны, на рис. 8.3 (в) шанс того, что причина вызовет следствие вне временного окна, падает гораздо медленнее.

Рис. 8.3. Оценка различных возможных функций относительно известных временных паттернов. Сплошными линиями показаны интервалы, когда причины с наибольшей вероятностью вызывают следствие, а пунктирными – изменение вероятности до и после этих интервалов

Вместо того чтобы субъективно определять, относится ли ситуация к случаям знания на уровне типа, мы получаем более структурированный метод, сочетающий тип и токен.

Но что, если мы не знаем наверняка, пила ли Ирен эспрессо? Известно, что она встречалась в кофейне с подругой, и хотя она обычно пьет много кофе, иногда выбирает напиток без кофеина. Не зная непосредственно, имела место причина или нет, мы можем воспользоваться другой информацией, вычислить вероятность причины и заново взвесить значимость сведений на уровне типа.

Итак, если причина точно была, ее значимость будет одинакова как на уровне типа, так и на уровне токена. С другой стороны, если токен-причина несколько невероятна, принимая в расчет наши наблюдения, ее значимость соответственно снижается.

Есть набор причин и последовательность событий, которые мы наблюдали, и, чтобы определить значимость различных гипотез, мы их комбинируем[331]. То есть результатом будет не бинарное утверждение «это стало (или не стало) причиной того», но ранжирование потенциальных причин, как показано на рис. 8.4. Мы получим ряд возможных каузальных объяснений следствия, и измерение значимости каждого из них будет представлять из себя комбинированное значение «тип-токен», показывая, насколько точен временной паттерн и с какой долей вероятности каждая из причин могла случиться в указанные временные интервалы. В отличие от других подходов, здесь необязательно иметь полное знание об истинности/ложности переменных, а временные паттерны на уровне токена могут отличаться от таких же на уровне типа, позволяя эффективнее разбираться с ситуациями каузальных цепочек и сверхдетерминированности.